15 реальных кейсов ИИ-госуправления из Дубая

В отчете представлены не просто концепции, а 15 работающих решений, которые уже сегодня трансформируют взаимодействие власти и общества. Дубай демонстрирует целостную стратегию внедрения ИИ, где технологии не просто добавляются к существующим процессам, а перепроектируют систему госуправления целиком. Интересное — ниже.

Клиентский сервис нового поколения
Городские «Центры счастья» получили цифровых двойников: дубайские МФЦ перевели в цифру, там ИИ-ассистенты обрабатывают 80% рутинных запросов, время ответа гражданам сократилось на 70%. Ожидается, что в этом году примерно 45% обращений будут решаться без участия человека

Это не просто автоматизация – это переосмысление сервиса, где сотрудники концентрируются на сложных случаях, а граждане получают мгновенные ответы.

Персонализированная медицина
По программе Emirati Genome
с помощью ИИ анализируют генетические данные и истории болезни, чтобы составить индивидуальные схемы лечения. Благодаря этому точность диагностики повысилась на 40%. Теперь врач принимает решения не только на основе симптомов, но и с учетом уникальных биологических особенностей пациента.

Инклюзивные сервисы
Дубай доказывает: технологии должны быть доступны всем. Внедрены: голосовые интерфейсы для незрячих, автоматический перевод на язык жестов, адаптивные форматы контента.

Почему это работает?
⚫️Целостное видение – технологии внедряются не хаотично, а как части единой системы.
⚫️Измеримые KPI – каждый проект имеет четкие метрики эффективности.
⚫️Фокус на пользователе – решения разрабатываются исходя из реальных потребностей людей.

Дубайский эксперимент доказывает: масштабное внедрение ИИ в госуправление возможно уже сегодня. Это не далекое будущее — это рабочие модели, которые можно адаптировать в других странах.

Полный отчет — в прикрепленном файле

Подборка ИИ-инструментов для проектирования

Коллеги из бюро dLab собрали  ИИ-инструменты, которые  помогают проектировать, обучаться проектированию и работают в Revit.

⚫️Autodesk Generative Design — генерирует оптимальные варианты конструкций, снижая расход материалов (пример: крыша торгового центра в Дубае с экономией стали 22%).

⚫️TestFit и PlanFinder — автоматизируют создание планировок на основе параметров участка и норм.

⚫️BIMcollab ZOOM — выявляет коллизии в моделях, которые сложно заметить вручную.

⚫️ Karamba3D — оптимизирует конструкции, снижая расход арматуры и ускоряя расчёты.

⚫️ Solibri Model Checker — быстро проверяет модели на соответствие нормам и выявляет скрытые ошибки.

⚫️ ALICE Technologies — оптимизирует строительный график, сокращая сроки и повышая эффективность.

⚫️ dLab — AI-помощник в Revit для обучения и поддержки пользователей в реальном времени. Он отвечает на вопросы и предоставляет подробные инструкции с визуальными примерами. Это разгружает «старичков» от части вопросов новичков.

Группа «Самолет» разработала ИИ-решение для подбора планировок

Решение построено на архитектуре с параллельной обработкой двух потоков данных. Разберём, как это работает под капотом.

Архитектура модели
Система использует два независимых нейросетевых модуля, каждый из которых обрабатывает свой тип данных:

1. Рекуррентная нейросеть (RNN)
⚫️Анализирует цифровой след пользователя: историю просмотров, клики, предпочтения по локациям.
⚫️Формирует эмбеддинг пользователя в виде числового вектора.

2. Полносвязная нейросеть (DNN)
⚫️ Обрабатывает параметры квартир: от базовых (комнаты, площадь, цена) до сложных (удалённость от магистралей, инфраструктура).
⚫️ Создаёт вектор-описание каждой планировки.

На выходе модель сравнивает результат двух потоков, представленных в виде числовых векторов, и на основе расстояния между ними определяется релевантность — чем ближе векторы, тем выше уровень рекомендации.

Обучение и оптимизация
⚫️Metric Learning: модель обучалась так, чтобы эмбеддинги пользователя и подходящих квартир сближались, а неподходящих — отдалялись.
⚫️ Объём данных: 700k+ действий пользователей для обучения.
⚫️ Скорость работы: оптимизирована для минимальной задержки при инференсе.

⚫️Эффективный поиск: вместо линейного перебора — быстрый подбор через векторное сравнение.
⚫️Гибкость: модель можно дообучать на новые метрики (например, уровень шума или экологию района).
⚫️Бизнес-эффект: в 2x рост конверсии за счёт точных рекомендаций.

Что дальше?
Планируется дообучение модели на новые целевые действия (например, реакцию на спецпредложения) и интеграция с другими сервисами компании.

Transformer Lab — лаборатория для экспериментов с LLM

... увидели у коллег и решили посмотреть, что это такое.

Transformer Lab — бесплатное и открытое приложение, которое можно запустить локально на Windows, Mac и Linux.
 
⚫️ Можно скачать из библиотеки одну из сотен популярных моделей: Llama3, Mistral, Qwen, Gemma и другие. 
⚫️Дообучить модель на разных устройствах - от Apple Silicon до GPU.
⚫️Общаться с моделями в чате, настраивать параметры генерации и использовать разные движки вывода.
⚫️ Работать с собственными датасетами и создавать свои обучающие наборы.
⚫️Поддержка обучения с подкреплением и оптимизация предпочтений.

Это отличный инструмент для тех, кто хочет быстро и удобно тестировать LLM, создавать прототипы и проводить эксперименты без сложной настройки окружения.

Код на Гитхабе.

MIT, Microsoft и Google представили I-Con — периодическую таблицу для машинного обучения

I-Con (Information-Contrastive Learning) — это фреймворк, который собрал в единую структуру более 20 классических методов ML: от регрессии до контрастивного обучения.

Что в нём полезного
⚫️Чётко показывает, какие алгоритмы на что нацелены: классификация ищет границы, кластеризация — группы, регрессия — числовые зависимости.
⚫️Помогает находить пустые ячейки — намёк на ещё не изобретённые методы.
⚫️Вместо бесконечного перебора идей можно быстро комбинировать техники осознанно.
⚫️Даёт новый взгляд на ML как на связанную систему, а не россыпь несвязанных алгоритмов.

Перспективы серьёзные: компьютерное зрение, NLP, биомедицина, рекомендательные системы — везде можно будет строить новые решения осознаннее.

В следующем посте напишем, чем I-Con может пригодиться в генеративном проектировании, а пока посмотрите про проект на официальных источниках:

Страница проекта
Техотчет
GitHub